આ દરેક પેપર માટે એક જ પર્સેન્ટાઈલ શ્રેણીમાં પરિણમશે, જે તે વિષય માટે CUET-UG હેઠળ લેવામાં આવતી તમામ કસોટીઓમાં ઉમેદવારના પ્રદર્શનને પ્રતિબિંબિત કરશે, જેને ઈક્વિપરસેન્ટાઈલ પદ્ધતિ કહેવામાં આવે છે. TOI દ્વારા વિશિષ્ટ રીતે એક્સેસ કરાયેલ મૂલ્યાંકન પ્રક્રિયા દસ્તાવેજ અનુસાર, સમગ્ર પરીક્ષણોમાં મુશ્કેલીના સ્તરોમાં તફાવતની કાળજી લેવાની આ અપેક્ષા રાખવામાં આવે છે.
ઉમેદવારના સ્કોરકાર્ડમાં દરેક વિષય માટે પર્સન્ટાઇલ્સ અને “સામાન્ય” સ્કોર્સ હશે, કાચા માર્ક નહીં. યુનિવર્સિટીઓ પ્રવેશ માટે રેન્કિંગ લિસ્ટ તૈયાર કરવા માટે નોર્મલાઇઝ્ડ માર્કસનો ઉપયોગ કરશે.
પદ્ધતિ સમજાવતા, યુનિવર્સિટી ગ્રાન્ટ કમિશન અધ્યક્ષ એમ જગદેશ કુમારે કહ્યું: “ઇક્વિપરસેન્ટાઇલ પદ્ધતિમાં, અમે તમામ ઉમેદવારો માટે સમાન સ્કેલનો ઉપયોગ કરીએ છીએ જેમાંથી તેઓ આપેલ વિષયમાં હાજર થયા હોય, જે સત્રોમાં તેમના પ્રદર્શનને તુલનાત્મક બનાવે છે.”
લગભગ 90 યુનિવર્સિટીઓના અંડરગ્રેજ્યુએટ પ્રોગ્રામ માટે નવ લાખથી વધુ ઉમેદવારો તેમના CUET-UG પરિણામોની રાહ જોઈ રહ્યા છે, જે યુજીસી 15 સપ્ટેમ્બર સુધીમાં જાહેર કરવામાં આવશે તેમ જણાવ્યું છે.
આ વર્ષના CUET-UGમાં, UGC સમક્ષ પ્રવેશ માટે સિંગલ રેન્કિંગ લિસ્ટ તૈયાર કરવાનો પડકાર હતો, જો કે પરીક્ષાઓ અલગ-અલગ દિવસોમાં બહુવિધ શિફ્ટમાં લેવામાં આવી હતી. CUET-UG 27 વિવિધ વિષયોમાં આયોજિત કરવામાં આવ્યું હતું જેમાં ઉમેદવારોને આ વિષયોના સંયોજનને પસંદ કરવાની સ્વતંત્રતા હતી. આ સ્કોર્સનો ઉપયોગ દેશભરની ઘણી યુનિવર્સિટીઓ દ્વારા UG પ્રોગ્રામ્સમાં પ્રવેશ માટે કરવાનો છે.
“અમે એક જ વિષયમાં પરંતુ અલગ-અલગ દિવસોમાં પરીક્ષા લખનારા વિવિધ વિદ્યાર્થીઓના પ્રદર્શનની સરખામણી કેવી રીતે કરીશું? અમારે એ સુનિશ્ચિત કરવાની જરૂર હતી કે વિદ્યાર્થીઓના પ્રદર્શનની સચોટ સરખામણી કરતા સ્કોરના આધારે પ્રવેશ કરવામાં આવે,” એમ જગદેશ કુમાર, અધ્યક્ષ, UGCએ જણાવ્યું હતું.
“ઉપરોક્ત મુશ્કેલી ઉપરાંત, રમતગમત અથવા ફાઇન આર્ટસ જેવા વિષયોમાં, કેટલીક યુનિવર્સિટીઓ દ્વારા કૌશલ્યના ઘટકને અમુક વેઇટેજ (25% કહો) આપવામાં આવે છે. પરંતુ, કૌશલ્ય ઘટકના વધારાના કાચા માર્કસ અને બાકીના વેઇટેજ (75%) પર્સેન્ટાઇલને ક્રમ યાદી તૈયાર કરવા માટે કરી શકાતી નથી કારણ કે તે સફરજનમાં નારંગી ઉમેરવા સમાન હશે.
“આ પરિસ્થિતિનો ઉકેલ એ ઇક્વિપરસેન્ટાઇલ પદ્ધતિનો ઉપયોગ છે. આમાં, દરેક ઉમેદવારના સામાન્ય ગુણની ગણતરી એ જ વિષય માટે ઘણા દિવસો સુધી આપેલ સત્રમાં વિદ્યાર્થીઓના દરેક જૂથના પર્સન્ટાઇલ્સનો ઉપયોગ કરીને કરવામાં આવે છે,” કુમારે જણાવ્યું હતું.
નોર્મલાઇઝ્ડ માર્કસની ગણતરી કરવા માટે, દરેક વિદ્યાર્થીના કાચા માર્ક્સનો ઉપયોગ તેની પરીક્ષાની શિફ્ટમાં ઉમેદવારની ટકાવારી નક્કી કરવા માટે થાય છે. ઉદાહરણ તરીકે, ધારો કે 100 વિદ્યાર્થીઓ ચોક્કસ શિફ્ટમાં પરીક્ષા માટે હાજર થયા છે. તેમના ગુણને ઘટતા ક્રમમાં ગોઠવવામાં આવે છે. કહો કે, એક વિદ્યાર્થીએ 87% ગુણ મેળવ્યા છે. હવે ધારો કે 100 માંથી 80 વિદ્યાર્થીઓએ 87% કરતા ઓછા અથવા તેના કરતા ઓછા ગુણ મેળવ્યા છે. આ વિદ્યાર્થીની ટકાવારી 80/100=0.8 હશે. ટકાવારી હંમેશા “0” અને “1” ની વચ્ચે હશે અને તે સામાન્ય રીતે દશાંશ સ્થાનોની આવશ્યક સંખ્યા પર ગોળાકાર હોય છે.
હવે, ધારો કે એક જ વિષય માટેની પરીક્ષા 10 શિફ્ટમાં લેવામાં આવી હતી. દરેક વિદ્યાર્થી એક શિફ્ટમાં હાજર રહેશે અને નવ શિફ્ટમાં “ગેરહાજર” રહેશે. દરેક વિદ્યાર્થી માટે આ “ગેરહાજર” શિફ્ટમાં કાચા સ્કોર્સની ગણતરી “ઇન્ટરપોલેશન” નામની આંકડાકીય પદ્ધતિનો ઉપયોગ કરીને કરવામાં આવે છે. એકવાર જે વિષયની પરીક્ષા લેવામાં આવી હતી તે તમામ શિફ્ટમાં દરેક વિદ્યાર્થીને કાચા માર્ક્સ સોંપવામાં આવ્યા પછી, આ માર્ક્સ સરેરાશ કરવામાં આવે છે અને આ સરેરાશ ગુણના આધારે પર્સેન્ટાઇલ આવે છે. પર્સેન્ટાઈલ સ્કોરનો “પુલ બેક” એ વિતરણ માટે જરૂરી છે જે વાસ્તવિક “અવલોકન કરેલ વિતરણ” ની નજીક હશે. આ પુલ બેક સ્કોર “સામાન્ય” સ્કોર છે.
કુમારે જણાવ્યું હતું કે, “ઉતરતા ક્રમમાં સૉર્ટ કરેલા ઉમેદવારોના પ્રત્યેક ટકાવારી મૂલ્યમાં તમામ પાળી માટે કાચા માર્કસ હશે. પછી અમે એક પાળીમાં વાસ્તવિક કાચા ગુણની સરેરાશ અને અન્ય પાળીમાં ઇન્ટરપોલેશનનો ઉપયોગ કરીને મેળવેલા કાચા ગુણની ગણતરી કરીએ છીએ. આ દરેક ઉમેદવારના ટકાવારી માટે સામાન્ય ગુણ આપશે. આ પદ્ધતિ ઉમેદવારોના સામાન્ય ગુણનો અંદાજ કાઢવા માટે સચોટ હોવાનું દર્શાવવામાં આવ્યું છે જ્યારે પરીક્ષાઓ આપેલ વિષયમાં બહુવિધ સત્રોમાં લેવામાં આવે છે.”